identificacion del estudiante

estudiante: jeremi vides bertel (1102812077)

carga el dataset acero.csv

Un dataset de acero (o steel dataset) es un conjunto de datos estructurados recopilados específicamente en el ámbito de la industria metalúrgica y la ciencia de materiales. Estos archivos se utilizan con fines de análisis estadístico, control de calidad, investigación científica o para entrenar modelos de Inteligencia Artificial en el sector de la manufactura pesada.

 acero <- read.csv("acero.csv",dec = ",")
 acero

examina la estructura del dataset acero

# muestra la estructura del data frame
str(acero)
## 'data.frame':    117 obs. of  20 variables:
##  $ consumo    : num  135.3 84.1 131.6 90.5 120 ...
##  $ pr.tbc     : int  6840 443 7270 5031 9365 9281 3223 10490 7394 8654 ...
##  $ pr.cc      : int  830 903 572 694 1054 1003 1118 1077 1204 851 ...
##  $ pr.ca      : int  0 58 36 122 157 172 0 179 167 0 ...
##  $ pr.galv1   : int  579 611 982 896 403 605 643 737 580 828 ...
##  $ pr.galv2   : int  1401 1636 1963 1568 1480 1525 1424 1333 934 1326 ...
##  $ pr.pint    : int  0 717 243 0 0 473 732 93 247 607 ...
##  $ linea      : chr  "A" "A" "A" "A" ...
##  $ hora       : chr  "1º" "2º" "3º" "4º" ...
##  $ temperatura: chr  "Alta" "Alta" "Baja" "Baja" ...
##  $ averias    : chr  "Si" "No" "No" "No" ...
##  $ naverias   : int  1 0 0 0 0 1 0 0 0 3 ...
##  $ sistema    : chr  "OFF" "OFF" "OFF" "ON" ...
##  $ ProdTotal  : int  11266 7251 11066 8311 12459 13059 8555 18253 11697 13194 ...
##  $ NOx        : num  0.49 0.0725 1.49 1.715 0.465 ...
##  $ CO         : num  3.54 2.9 5.01 2.16 4.84 ...
##  $ COV        : num  0.545 0.425 0.69 0.36 0.662 ...
##  $ SO2        : num  0.038 0.047 0.062 0.066 0.086 0.056 0.07 0.103 0.058 0.066 ...
##  $ CO2        : num  101.5 63.6 98.8 70.2 88.5 ...
##  $ N2O        : num  6.35 2.23 5.99 3.66 6.06 6.15 7.75 9.09 8.69 5 ...

mostrando algunas variables numericas y categoricas

# mostrando la variable consumo y la variable de produccion total
acero$consumo
##   [1] 135.31  84.08 131.62  90.46 120.04 153.68  99.09 226.38 140.07 161.22
##  [11] 135.92  83.84  57.84 102.66  66.18  61.16  99.37  82.80  92.29  95.57
##  [21] 149.24 131.95  87.34 123.58 143.07 104.00 130.08 141.55  33.18  83.63
##  [31] 147.88  87.29  83.18  76.41  66.71 197.65 124.09  99.36  54.03  90.13
##  [41] 160.49 128.62 154.28 125.91 115.92 120.04  66.39 104.76 193.44 191.32
##  [51]  63.81 135.10 167.76  49.77  19.07  38.39 163.58 197.77 141.82  39.72
##  [61]  17.50  39.38 201.88 224.51 186.18 163.53 182.48 175.06 161.52 127.07
##  [71] 245.74 193.15 137.47 165.17 131.50 220.96 179.38 143.82  85.79 165.36
##  [81] 194.92 191.02 156.03 234.39 221.26  68.30 173.10 290.72 250.73 190.64
##  [91] 180.44 200.75 126.06 165.56  97.94 156.41 136.05 146.18 163.15 185.71
## [101] 126.67 110.45 131.95 149.88 187.36 246.54 222.88 191.01 195.61 160.87
## [111] 183.26 184.70 113.75 105.06 168.88 195.61 213.23
acero$prodtotal
## NULL

mostrando los calculos manuales de las probabilidades

calculos manuales de probabilidades
calculos manuales de probabilidades

Bitacora de la IA

Consulta a la IA: “Escribe el código en R para calcular la probabilidad de que la retención de agua sea alta si el suelo es arcilloso según los datos de mi cuaderno.” Verificación previa: Realicé el cálculo a mano: P(Alta ) = 15/25 = 0.60 (60%).

Evaluación del código: Comprobé que el agente utilizara ⁠prop.table(tabla, margin = 1)⁠ para que las probabilidades sumen 100% a lo largo de las filas (por tipo de textura de suelo). Además, verifiqué que la prueba ^2 no aplicara la corrección de Yates por tratarse de una tabla 3 .

Conclusion

En conclusión, la probabilidad condicional refleja de forma cuantitativa la dependencia entre la textura del suelo y su capacidad de retención de agua. Los datos demuestran que los suelos arcillosos tienen una mayor retención de agua (60% de probabilidad de retención alta), mientras que los suelos arenosos exhiben la menor retención (62.5% de probabilidad de retención baja). Un suelo arcilloso resulta casi 5 veces más probable de presentar una alta retención hídrica en comparación con uno arenoso (60% frente a 12.5%).
Desde el punto de vista metodológico en R, condicionar correctamente por filas (⁠margin = 1⁠) es lo que permite analizar el comportamiento de la retención para cada clase de suelo de manera independiente, mientras que la prueba Chi-cuadrado estándar (sin corrección de Yates por ser de dimensión 3 \3) permite confirmar formalmente si la textura y la retención están estadísticamente asociadas.